原文传递
基于深度学习的城市轨道交通站内行人轨迹预测研究
| 论文题名： | 基于深度学习的城市轨道交通站内行人轨迹预测研究 |
| 关键词： | 轨道交通车站;行人仿真;轨迹预测;深度学习;计算机视觉 |
| 摘要： | 城市轨道交通站内微观行人仿真作为城市轨道交通车站内部设施布局评估的重要手段，目前已经被广泛应用于城市轨道交通车站设计方案和运营管理措施的评价和优化。目前关于微观行人仿真的主流软件均是基于传统理论模型开发，主要包括了连续空间模型和离散空间模型。该类模型可以很好地还原客流宏观特征，但是难以准确重现个体的行走轨迹；无法满足日趋精细化的城市轨道交通车站设计及运营管理。基于深度学习技术的数据驱动模型为此提供了强有力的解决手段。但是，由于数据驱动模型缺乏交通理论支撑，部分场景预测得到轨迹不符合实际。为解决以上问题，本研究通过融合传统理论模型和数据驱动模型建立了一个基于循环神经网络的行人轨迹预测模型，并通过实验验证了其有效性。 为了获取城市轨道交通站内乘客连续的行走轨迹数据，本研究结合YOLO和DeepSORT算法，实现了从监控视频中提取轨道交通站内行人轨迹坐标数据。然后对提取的数据采用线性插值算法进行了补帧，以改善由于行人遮挡等问题造成的数据不连续。此外，还对监控视频中的相机进行了校准，从而实现数据从像素坐标系到世界坐标系的转换。在此基础上，本文构建了一种新的基于循环神经网络的行人轨迹预测模型。本文以Social-LSTM算法为基础，融合了社会力模型中的行人视角机制和障碍物斥力机制，构建了SVO-LSTM（Social-VisualandObstaclesLSTM）模型。该模型可以对不同方向的行人分配不同的注意力以及根据距离计算障碍物对行人的权重。然后结合轨道交通站的一些特点，在SVO-LSTM模型基础上引入了场景信息模块和终点信息模块分别进行场景信息提取和行人轨迹潜在终点预测，以更好地模拟行人周围的环境和行人行为，从而获得更加准确的预测结果。 最后，本文将所提出的融合模型应用于轨道交通站内的行人轨迹预测中。在实验中，本文使用提取到的轨道交通站内行人轨迹数据集进行模型训练和测试，并采用平均位移量误差（ADE）和终点位移量误差（FDE）两种指标来评价模型的性能。实验结果表明，本文提出的融合模型在轨道交通站内楼扶梯口和闸机口两个场景中的ADE和FDE分别为0.23m和2.17m，相较于本文提出的一些其他消融模型ADE和FDE分别提升了9.9%和9.7%。结果表明本研究的融合模型在轨道交通站内行人轨迹预测方面具有较好的预测精度和效果，能够为轨道交通站内的人流预测和安全管理等领域提供有力的支持和帮助。 |
| 作者： | 韩烽凡 |
| 专业： | 交通运输 |
| 导师： | 朱亚迪 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
